當你開始在linkedin上面開始找工作的時候，是否有發現，即便是資料科學家，也被放上不同的職位名稱。今天我們一起了解linkedin上為什麼會有這麼多不同的職缺，以及如何選擇最適合你的位置吧!
最靠近商業和使用者行為分析的那一個：
這個位置如果出現在新創，常常會是跟以下這張圖很類似，business analyst必須給予公司最近的商業決策的評估指標。舉例來說，公司上一季出租的房間數量，與過去的前幾季相比，或是與前幾個年度的同一季相比，有什麼樣的insight? 是否有機會可以找出什麼樣的模型去預估未來的表現狀況，或是歸納出這一季表現的好壞。這份工作的數據來源很常跟商業、專案、使用者資料掛鉤。
通常你的hiring manager/老闆也會是商業、行銷部門，甚至直接是對象c level也是可能的。在這個角色的能力指標，通常你會看到需要story telling, visualization, dashboard, 以及A-B testing都可能在這一個類型的工作裡。
(圖：mia chang)
第二種則是許多新創公司最常見的，或者在大公司裡面的data science as a service，被當成common service的狀況：
這個位置，雖然核心能力是從machine learning model開始，可是大部分的Data Scientist也會在這樣的環境裡，不自覺養成許多devops技能。舉例來說，要能夠使用docker和flask/fastapi來讓自己的服務變成可被輕易部署的dockerized web service。在某些公司，也要自己掌握kubenetes deployment的整個流程，甚至包含service monitoring也在裡面。
在這個位置的你，必須要做好自己成為一條龍的心理準備。所以，能用python跟版本控制維護專案是基本，docker和k8s的技能如果也擁有，便可以在求職的市場稍微領先一些。關鍵字可以放在python, keras/tensorflow/pytorch, spacy, opencv然後搭配比較熟悉的應用類型，像是NLP, computer vision等等，去看這個公司可能有的使用情境有哪些。
(圖：mia chang)
接下來這個，我把他歸類在大公司的研究中心人員：
在這個類別裡面，你可能會需要PhD或者等同研究能量，例如定期閱讀最新paper，有能力可以重新寫一次演算法，或理解paper裡的公式推導，便有機會在這樣的團隊裡工作。假如你在deepmind, facebook research, microsoft research等等的大公司研究中心裡面，你可能會跟該領域的專家一起合作，協助這些專家的假設可以快速地進入實驗階段，然後才能夠快速的進到產品階段。
在這一個類型的工作裡面，python跟c++的能力都是等同的重要，在這樣的工作裡面，會更講求對於原理與算法的了解，也同時對研究新方法感到熱愛。
(圖：mia chang)
看到這邊，也許會覺得，怎麼同一個資料科學領域，怎麼一瞬間跑出這麼多頭銜。或是很煩惱要怎麼決定要在哪一個區塊上面耕耘，需不需要去拿一個master, phd或是certificate。有一個我自己蠻常使用的方法是，如果我選擇這一個工作，那再下一份會有哪些選項可以選擇？不管是薪水、產業、公司規模、做的題目、或是該公司上下游的廠商等等，如果這一份不能帶我走向心中的這個方向，那即使別人說這份工作再好，可能都不會是我心中最後的答案。
出國之前，有一位前輩找我一起去當技術業務。對於當時的我來說是一個很好的機會，能夠跟前輩一起跑客戶，能夠增加業務能力，認識其他企業窗口，同時也能精進技術。但當時我的考量是，下一份工作我想出國。如果跑客戶，勢必會花一些時間在業務能力上，除了沒辦法讓我的英文能力快速增進，我也一定會要求自己做到業務能力拉上來，如果這樣的話，就沒辦法讓很專注地技術能力增加經驗。後來就委婉地拒絕了這個機會。
然後也因為透過這個拒絕，以前曾經覺得可能會很有趣的經驗，擺在自己更想完成的事情前面，就變得不這麼緊急、重要、一定要去做了。
所以你的下一個目標是什麼呢？問問自己最想要加強的技能有哪些？這個地方能夠幫上忙嗎？如果可以，也許薪水不是這麼重要，頭銜也不見得這麼重要了。如果現在的工作能夠幫到你，也不見得現在一定就要離職到其他地方去。每份工作到頭來都還是有討人厭的老闆、同事、客戶，讓你堅持下來的，一定會是喜歡這件事情的本身。花點時間，問問自己的喜好吧。
接下來跟大家分享，在Linkedin時常會在職缺後面看到的(m/w/d), (m/f/x)。大家有想過是什麼意涵嗎？
近年來，大家對於性別平權的意識高漲，同樣的也帶到工作這個領域。(m/w/d)指的就是：man, woman, diversity。同樣的(m/f/x)的x也可以是同樣的意思，代表公司接受你對於自己有不同的性別認知。每次看到這樣的工作公告時，都覺得這個世界又更友善了一些。不僅是在生活、婚姻權利上，連在工作，大家也會希望在性別平權上盡一份心力。
今天帶大家快速地看了幾個跟資料科學相關的位置。也跟大家分享面對不同的機會的時候可以如何抉擇，讓我們一起面對心中的選擇困難症。
歡迎大家訂閱專欄，
對於這個主題如果有更多的想法，
可以在文章下方留言，
也歡迎在這個google問卷提問：https://forms.gle/aZPXa3ipTdi8HaLY8
或是拜訪不定期更新的粉絲頁：https://www.facebook.com/bymiachang.tw
我們明天見:)
滿好奇 Kubeflow 對資料科學來說會是一個好平台嗎 ?
感謝chichi的提問。
如果是看技能樹的話：假設你已經有了data science的知識，加上docker, k8s, kubeflow是加分的。
如果是看公司內部要不要建kubeflow的話：可以去看看目前公司在train model跟serve model是不是有必要部署在k8s的環境上。
不是有新技術就一定要去用，而是評估過能解決痛點，才會是好的技術。
iThome鐵人賽
看影片追技術